ACEsuit/mace

해결하는 문제

MACE는 빠르고 정확한 기계학습 원자 간 포텐셜을 생성할 수 있는 방법을 제공합니다. 연구자들이 물질이나 유기 분자와 같은 원자 시스템의 에너지와 힘을 기계학습을 통해 모델링할 수 있게 하여, 전통적인 양자역학적 계산의 높은 계산 비용을 피하면서도 높은 정확도를 유지할 수 있습니다.

작동 방식

MACE는 3차원 원자 점군을 처리하는 고차원 등변 메시지 전달 신경망을 사용합니다. 원자 구조 데이터(XYZ 파일)에서 처음부터 학습할 수 있으며, 기존의 기초 모델을 미세 조정할 수도 있습니다. 시스템은 EMA(지수 이동 평균), amsgrad, 그리고 에너지 오차를 줄이기 위한 이단계 학습 프로세스와 같은 다양한 학습 기법을 지원합니다.

대상 사용자

분자 역학를 수행하거나 원자 구조의 특성을 평가해야 하는 계산 화학자, 재료 과학자, 물리학자에게 적합합니다.

주요 특징

• 기초 모델: 재료(MACE-MP), 유기 화학(MACE-OFF), 전기적 상호작용(MACE-Polar)용 사전 학습 모델을 포함합니다.
• 확장성: PyTorch DistributedDataParallel를 통해 멀티 GPU 학습과 GPU 메모리보다 큰 데이터셋용 온라인 데이터 로딩을 지원합니다.
• CUDA 가속: NVIDIA GPU에서 더 빠른 성능을 위해 cuEquivariance 라이브러리와 통합되어 있습니다.
• 유연한 학습: float32/float64 등의 다양한 정밀도 수준을 지원하며, 학습 중에 원자 기준 에너지(E0)를 추정할 수 있습니다.